스포츠활동 시계열 분석

제주도

library(fpp2)  # 시계열 분석을 위한 패키지
library(gridExtra)
theme_set(theme_grey(base_family='NanumGothic'))  # ggplot 한글 깨짐 방지
options(scipen = 999)  # to remove scientific notation

전체 스포츠 한 그림에

dir <- "/Users/jaeyonglee/Documents/College/RStudio/Culture/real_proper_ts_data/jeju/"
items <- c("골프","레저스포츠","스키","자전거","헬스")

# 데이터 불러오기
temp1 <- read.csv(paste(dir,items[1],".csv",sep=""), header=T)
temp2 <- read.csv(paste(dir,items[2],".csv",sep=""), header=T)
temp3 <- read.csv(paste(dir,items[3],".csv",sep=""), header=T)
temp4 <- read.csv(paste(dir,items[4],".csv",sep=""), header=T)
temp5 <- read.csv(paste(dir,items[5],".csv",sep=""), header=T)

# ts 개체로 만들기
temp1_ts <- ts(temp1['avg'][,1], start=2018, frequency=12)  # [,1]은 univariate으로 정확히 해주기 위함임
temp2_ts <- ts(temp2['avg'][,1], start=2018, frequency=12)
temp3_ts <- ts(temp3['avg'][,1], start=2018, frequency=12)
temp4_ts <- ts(temp4['avg'][,1], start=2018, frequency=12)
temp5_ts <- ts(temp5['avg'][,1], start=2018, frequency=12)

# 시각화
temp_plot <- autoplot(temp1_ts, series = items[1]) +
  autolayer(temp2_ts, series = items[2]) +
  autolayer(temp3_ts, series = items[3]) +
  autolayer(temp4_ts, series = items[4]) +
  autolayer(temp5_ts, series = items[5]) +
  labs(title = paste("스포츠 종목별 개인 취급액 시계열 (제주도)\n",sep=""),
       caption = "(개인 취급액 = 동일 년월의 취급액의 합 / 이용건수)",
       x = "시간",
       y = "취급액") +
  labs(color='스포츠 종목 구분') +
  theme(
    plot.title = element_text(hjust = 0.5), # 가운데 정렬
    plot.caption = element_text(hjust = 0)  # 왼쪽 정렬
    )
print(temp_plot)

스포츠 종목별 시계열 분해 및 예측

dir <- "/Users/jaeyonglee/Documents/College/RStudio/Culture/real_proper_ts_data/jeju/"
items <- c("전체 스포츠활동","골프","레저스포츠","스키","자전거","헬스")

for(item in items){
  # 데이터 불러오기
  if(item == "전체 스포츠활동"){
    temp <- read.csv(paste(dir,"all_sports.csv",sep=""), header=T)
  }else{
    temp <- read.csv(paste(dir,item,".csv",sep=""), header=T)
  }
  
  # ts 개체로 만들기
  temp_ts <- ts(temp['avg'][,1], start=2018, frequency=12)  # [,1]은 univariate으로 정확히 해주기 위함임

  # auto.arima로 최적의 pdq, PDQ 찾기
  fit_arima <- auto.arima(temp_ts)
  cat(paste(item,"의 개인 취급액 시계열 (제주도)\n", sep=""))
  print(fit_arima)
  
  # residual assumption 확인
  checkresiduals(fit_arima)
  
  fit_arima %>% forecast(h=12, level=80) %>% autoplot() +
    labs(title = paste(item,"의 개인 취급액 시계열 (제주도)",sep=""),
         subtitle = "미래 1~12개월(1년)에 대한 ARIMA의 예측치와 80% 신뢰구간",
         caption = "(개인 취급액 = 동일 년월의 취급액의 합 / 이용건수",
         x = "시간",
         y = "취급액") +
    theme(
      plot.title = element_text(hjust = 0.5), # 가운데 정렬
      plot.subtitle = element_text(hjust = 0.5),
      plot.caption = element_text(hjust = 0)  # 왼쪽 정렬
      ) -> arima_plot
  print(arima_plot)
  
  # STL decomposition
  fit_stl <- stl(temp_ts,s.window="periodic", robust=T)
  autoplot(fit_stl) +
    labs(title = paste(item,"의 개인 취급액 시계열 (제주도)",sep=""),
         subtitle = "STL decomposition",
         caption = "(개인 취급액 = 동일 년월의 취급액의 합 / 이용건수)",
         x = "시간",
         y = "취급액") +
    theme(
      plot.title = element_text(hjust = 0.5), # 가운데 정렬
      plot.subtitle = element_text(hjust = 0.5),
      plot.caption = element_text(hjust = 0)  # 왼쪽 정렬
      ) -> stl_plot
  print(stl_plot)
}

전체 스포츠활동의 개인 취급액 시계열 (제주도)
Series: temp_ts 
ARIMA(3,0,0)(1,1,0)[12] 

Coefficients:
         ar1      ar2     ar3     sar1
      0.9174  -0.6418  0.5069  -0.6013
s.e.  0.1384   0.1731  0.1465   0.1226

sigma^2 = 38139878305104:  log likelihood = -683.42
AIC=1376.84   AICc=1378.61   BIC=1385.29

    Ljung-Box test

data:  Residuals from ARIMA(3,0,0)(1,1,0)[12]
Q* = 3.8476, df = 6, p-value = 0.6973

Model df: 4.   Total lags used: 10

골프의 개인 취급액 시계열 (제주도)
Series: temp_ts 
ARIMA(1,0,0)(0,1,1)[12] with drift 

Coefficients:
         ar1     sma1      drift
      0.4034  -0.8751  201982.49
s.e.  0.1571   0.9876   38722.27

sigma^2 = 7848227630458:  log likelihood = -655.53
AIC=1319.05   AICc=1320.19   BIC=1325.81

    Ljung-Box test

data:  Residuals from ARIMA(1,0,0)(0,1,1)[12] with drift
Q* = 8.5157, df = 7, p-value = 0.2893

Model df: 3.   Total lags used: 10

레저스포츠의 개인 취급액 시계열 (제주도)
Series: temp_ts 
ARIMA(0,1,0) 

sigma^2 = 5810972410099:  log likelihood = -821.83
AIC=1645.66   AICc=1645.74   BIC=1647.59

    Ljung-Box test

data:  Residuals from ARIMA(0,1,0)
Q* = 29.107, df = 10, p-value = 0.001197

Model df: 0.   Total lags used: 10

스키의 개인 취급액 시계열 (제주도)
Series: temp_ts 
ARIMA(0,0,1)(0,1,0)[12] 

Coefficients:
         ma1
      0.6389
s.e.  0.1365

sigma^2 = 398006152416:  log likelihood = -561.16
AIC=1126.32   AICc=1126.66   BIC=1129.6

    Ljung-Box test

data:  Residuals from ARIMA(0,0,1)(0,1,0)[12]
Q* = 4.5406, df = 9, p-value = 0.8724

Model df: 1.   Total lags used: 10

자전거의 개인 취급액 시계열 (제주도)
Series: temp_ts 
ARIMA(0,1,1)(1,1,0)[12] 

Coefficients:
          ma1     sar1
      -0.4194  -0.6210
s.e.   0.2056   0.1288

sigma^2 = 366147380719:  log likelihood = -576.54
AIC=1159.09   AICc=1159.78   BIC=1164.08

    Ljung-Box test

data:  Residuals from ARIMA(0,1,1)(1,1,0)[12]
Q* = 12.132, df = 8, p-value = 0.1454

Model df: 2.   Total lags used: 10

헬스의 개인 취급액 시계열 (제주도)
Series: temp_ts 
ARIMA(0,1,1) 

Coefficients:
          ma1
      -0.7282
s.e.   0.0987

sigma^2 = 4103411496642:  log likelihood = -812.83
AIC=1629.66   AICc=1629.91   BIC=1633.53

    Ljung-Box test

data:  Residuals from ARIMA(0,1,1)
Q* = 5.4059, df = 9, p-value = 0.7976

Model df: 1.   Total lags used: 10